Ejercicio 1

Este ejercicio funcionará como un breve tutorial de R, Rstudio y quarto. Más abajo, encontrarán links útiles para explorar por su propia cuenta detalles que no cubriremos en este espacio. Adicionalmente, realizaremos algunos ejercicios de procesamiento y analisis descriptivo de datos. Este ejercisio esta diseñado para estudiantes del curso soc3070, que ya tienen algo de experiencia con R y/o desean realizar el cambio de stata o spss a R. Por múltiples razones, alentamos el uso del lenguaje R y la infinidad de librerías disponibles para el procesamiento de datos y el análisis estadístico, especialmente la familia de librerías Tidyverse.

1 R, Rstudio y Quarto.

R es un lenguaje de programación y un entorno para análisis estadístico y gráfico. RStudio es un entorno de desarrollo integrado (IDE) diseñado específicamente para R, que facilita enormemente el trabajo con este lenguaje.

Quarto es una evolución multilingüe de RMarkdown, diseñada para la próxima generación de publicación técnica y científica. Quarto permite combinar código, resultados y texto narrativo en un solo documento, lo que facilita la creación de informes, presentaciones y páginas web dinámicas e interactivas. Al igual que RMarkdown, Quarto usa Knitr para ejecutar código R y, por lo tanto, puede procesar la mayoría de los archivos Rmd existentes sin modificaciones.

Trabajaremos con RScripts (archivos .R), en un arhivo Quarto (archivos .qmd). Pueden encontrar más información en este link
La mayoría del código utulizado en los ejemplos incluirá funciones de la familia de librerías Tidyverse. Más información acá
R y Rstudio lo puedes instalar siguiendo los instrucciones en este link

Ventajas de Quarto:

Reproducibilidad: Al combinar código y narrativa, los resultados son fácilmente reproducibles.
Múltiples formatos de salida: HTML, PDF, Word, presentaciones, etc.
Soporte multilingüe: Además de R, soporta Python, Julia y Observable.
Interactividad: Permite crear documentos dinámicos e interactivos.

Para comenzar con Quarto:

Instala R y RStudio
En RStudio, crea un nuevo archivo Quarto (File > New File > Quarto Document)
Escribe tu contenido combinando texto en Markdown y bloques de código R

1.1 Material útil

Algunos textos que pueden ser de utilidad.

R for data science por Hadley Wickham and Garrett Grolemund
Advanced R por Hadley Wickham
Introduction to Computational Social Science
Posit Cheatsheets
RStudio Cheatsheet
Quarto Cheatsheet

1.2 Crear documento `.qmd`

1.3 Crear `chunck` de código

Chunk

Con la combinación de teclas ctrl + alt + i se inserta un chunck de código. Pueden formatear en {} el tipo de lenguaje que usaran dentro de él. Una de las ventajas de trabajar con quarto o Rmarkdown es que podemos usar distintos lenguajes en un mismo documento.

```{r}
2+2
```

[1] 4

2 Introducción a R base: El corazón del análisis de datos

Imagina que estás construyendo una casa de datos: R base sería los cimientos, las paredes y el techo. Es la estructura fundamental sobre la que se construye todo lo demás.

2.1 ¿Qué es R base?

R base es el conjunto de funciones y operadores que vienen pre-instalados con R. Es el “kit de herramientas” básico que recibes al instalar R por primera vez.

Dato curioso

R base fue creado por Ross Ihaka y Robert Gentleman en 1993. ¡Su nombre “R” viene de las iniciales de sus creadores!

2.2 Elementos fundamentales de R base

2.2.1 Tipos de datos básicos

R base maneja varios tipos de datos fundamentales:

```{r}
# Numeric (números)
numero <- 42.5
print(numero)

# Integer (enteros)
entero <- 42L  # La 'L' indica que es un entero
print(entero)

# Character (texto)
texto <- "Hola, mundo!"
print(texto)

# Logical (booleanos)
logico <- TRUE
print(logico)
```

[1] 42.5
[1] 42
[1] "Hola, mundo!"
[1] TRUE

2.2.2 Estructuras de datos

R base ofrece estructuras de datos versátiles:

```{r}
# Vector
vector <- c(1, 2, 3, 4, 5)
print(vector)

# Matriz
matriz <- matrix(1:9, nrow = 3, ncol = 3)
print(matriz)

# Lista
lista <- list(nombre = "Juan", edad = 30, notas = c(90, 85, 88))
print(lista)

# Data frame
df <- data.frame(
  nombre = c("Ana", "Bob", "Carlos"),
  edad = c(25, 30, 35),
  ciudad = c("Madrid", "Barcelona", "Sevilla")
)
print(df)
```

[1] 1 2 3 4 5
     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9
$nombre
[1] "Juan"

$edad
[1] 30

$notas
[1] 90 85 88

  nombre edad    ciudad
1    Ana   25    Madrid
2    Bob   30 Barcelona
3 Carlos   35   Sevilla

2.2.3 Operaciones básicas

R base permite realizar operaciones matemáticas y lógicas:

```{r}
# Aritméticas
suma <- 5 + 3
resta <- 10 - 4
multiplicacion <- 6 * 7
division <- 20 / 5

# Comparaciones
mayor_que <- 10 > 5
igual_a <- 7 == 7
```

2.2.4 Control de flujo

R base incluye estructuras para controlar el flujo de ejecución:

```{r}
# If-else
x <- 10
if (x > 5) {
  print("x es mayor que 5")
} else {
  print("x es menor o igual a 5")
}

# For loop
for (i in 1:5) {
  print(paste("Iteración", i))
}

# While loop
contador <- 1
while (contador <= 3) {
  print(paste("Contando:", contador))
  contador <- contador + 1
}
```

[1] "x es mayor que 5"
[1] "Iteración 1"
[1] "Iteración 2"
[1] "Iteración 3"
[1] "Iteración 4"
[1] "Iteración 5"
[1] "Contando: 1"
[1] "Contando: 2"
[1] "Contando: 3"

2.2.5 Funciones

Las funciones son bloques de código reutilizables:

```{r}
# Definir una función
saludar <- function(nombre) {
  return(paste("¡Hola,", nombre, "!"))
}

# Usar la función
mensaje <- saludar("María")
print(mensaje)
```

[1] "¡Hola, María !"

2.3 R base vs. Tidyverse: Una analogía

Imagina que R base es como una cocina tradicional bien equipada. Tiene todos los utensilios básicos que necesitas para cocinar: ollas, sartenes, cuchillos, etc. Puedes preparar prácticamente cualquier plato con estas herramientas.

Tidyverse, por otro lado, es como una cocina moderna con electrodomésticos especializados. Tiene procesadores de alimentos, licuadoras de alta potencia, y otros gadgets que hacen ciertas tareas más rápidas y eficientes.

Ambos enfoques tienen su lugar: - R base te da un control preciso y una comprensión profunda de lo que estás haciendo. - Tidyverse ofrece herramientas optimizadas para tareas comunes de análisis de datos, a menudo con una sintaxis más intuitiva.

Consejo práctico

Dominar R base te dará una base sólida para entender cómo funciona R en su núcleo. Esto te ayudará enormemente cuando uses paquetes más avanzados o cuando necesites depurar código complejo.

3 `Tidyverse` (sintaxis)

Tidyverse es un conjunto coherente de paquetes de R diseñados para ciencia de datos. Estos paquetes comparten una filosofía de diseño y gramática común, lo que facilita su aprendizaje y uso conjunto. Tidyverse está diseñado para hacer que el análisis de datos sea más eficiente, coherente y fácil de comunicar.

3.1 Principales paquetes de `Tidyverse`

ggplot2: Para crear gráficos estadísticos elegantes y complejos.
dplyr: Para manipulación de datos con operaciones como filtrar, seleccionar, mutar y resumir.
tidyr: Para limpiar y estructurar datos, facilitando el proceso de “tidy data”.
readr: Para importar datos de manera rápida y consistente.
purrr: Para programación funcional, permitiendo aplicar funciones a listas y vectores.
tibble: Un reemplazo moderno para data.frames, optimizado para grandes conjuntos de datos.
stringr: Para manipulación de cadenas de texto.
forcats: Para trabajar con variables categóricas (factores).

4 Ejemplo detallado de uso de Tidyverse

Vamos a crear un ejemplo más completo que muestre cómo diferentes paquetes de Tidyverse trabajan juntos:

4.1 Preparación de datos

Primero, cargamos Tidyverse y creamos nuestro conjunto de datos de ejemplo:

```{r}
#| warning: false
#| message: false

# Cargar Tidyverse
library(tidyverse)

# Crear un conjunto de datos de ejemplo
set.seed(123)
data <- tibble(
  id = 1:100,
  group = sample(c("A", "B", "C"), 100, replace = TRUE),
  value = rnorm(100),
  category = sample(c("Alto", "Medio", "Bajo"), 100, replace = TRUE),
  date = sample(seq(as.Date('2023-01-01'), as.Date('2023-12-31'), by="day"), 100, replace = TRUE)
)

# Mostrar las primeras filas de los datos
head(data)
```

# A tibble: 6 × 5
     id group   value category date      
  <int> <chr>   <dbl> <chr>    <date>    
1     1 C     -0.333  Bajo     2023-12-24
2     2 C     -1.02   Alto     2023-06-19
3     3 C     -1.07   Medio    2023-04-06
4     4 B      0.304  Alto     2023-01-26
5     5 C      0.448  Medio    2023-08-18
6     6 B      0.0530 Medio    2023-05-28

4.2 Procesamiento de datos con dplyr

Ahora, vamos a procesar los datos utilizando funciones de dplyr:

```{r}
# Manipular datos con dplyr
data_processed <- data %>%
  group_by(group, category) %>%
  summarise(
    mean_value = mean(value),
    sd_value = sd(value),
    count = n()
  ) %>%
  ungroup() %>%
  mutate(proportion = count / sum(count))

# Mostrar los resultados procesados
print(data_processed)
```

# A tibble: 9 × 6
  group category mean_value sd_value count proportion
  <chr> <chr>         <dbl>    <dbl> <int>      <dbl>
1 A     Alto       -0.230      1.03     14       0.14
2 A     Bajo        0.00118    0.832    11       0.11
3 A     Medio      -0.444      0.825     8       0.08
4 B     Alto        0.383      1.09     14       0.14
5 B     Bajo       -0.0496     1.02      8       0.08
6 B     Medio       0.231      0.769    10       0.1 
7 C     Alto       -0.396      1.06     13       0.13
8 C     Bajo        0.0710     0.914    12       0.12
9 C     Medio      -0.241      0.898    10       0.1

4.3 Visualización con ggplot2

Ahora, vamos a crear varias visualizaciones utilizando ggplot2:

```{r}
# Gráfico de barras con barras de error
ggplot(data_processed, aes(x = group, y = mean_value, fill = category)) +
  geom_col(position = "dodge") +
  geom_errorbar(aes(ymin = mean_value - sd_value, 
                    ymax = mean_value + sd_value),
                position = position_dodge(0.9), width = 0.25) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Valor medio por grupo y categoría",
       x = "Grupo", y = "Valor medio",
       fill = "Categoría") +
  theme_minimal() +
  theme(legend.position = "bottom")
```

```{r}
# Cargar las librerías necesarias
library(lubridate)  # Para manejo de fechas

# Preparación de datos
# Asumimos que 'data' ya está cargado y tiene las columnas: date, value, group, category

# Agregar una columna de mes a los datos originales
data <- data %>%
  mutate(month = floor_date(date, "month"))
  # floor_date() redondea las fechas al inicio del mes

# Calcular promedios mensuales
monthly_data <- data %>%
  group_by(month, group, category) %>%
  # Agrupar por mes, grupo y categoría
  summarise(avg_value = mean(value, na.rm = TRUE), .groups = 'drop')
  # Calcular el promedio de 'value', ignorando NA
  # .groups = 'drop' elimina la agrupación después de summarise

# Crear el gráfico mejorado
ggplot(monthly_data, aes(x = month, y = avg_value, color = group)) +
  # Definir los datos y mapeos estéticos básicos
  geom_line(size = 1) +
  # Añadir líneas para mostrar tendencias
  geom_point(size = 2) +
  # Añadir puntos para mostrar valores específicos
  facet_wrap(~category, scales = "free_y", nrow = 3) +
  # Crear subgráficos por categoría, permitiendo escalas y libres en y
  scale_color_brewer(palette = "Set2") +
  # Usar una paleta de colores predefinida de ColorBrewer
  scale_x_date(date_breaks = "2 months", date_labels = "%b %Y") +
  # Formatear el eje x para mostrar fechas cada 2 meses
  labs(title = "Tendencia de valores promedio mensuales por grupo y categoría",
       x = "Mes", 
       y = "Valor promedio",
       color = "Grupo") +
  # Añadir títulos y etiquetas
  theme_minimal() +
  # Usar un tema minimalista como base
  theme(
    legend.position = "bottom",
    # Colocar la leyenda en la parte inferior
    axis.text.x = element_text(angle = 45, hjust = 1),
    # Rotar las etiquetas del eje x para mejor lectura
    panel.grid.minor = element_blank(),
    # Eliminar las líneas de cuadrícula menores
    strip.background = element_rect(fill = "lightgray", color = NA),
    # Personalizar el fondo de las etiquetas de facetas
    strip.text = element_text(face = "bold", size = 10)
    # Personalizar el texto de las etiquetas de facetas
  )

# Para guardar el gráfico, descomenta la siguiente línea:
# ggsave("tendencia_valores_mensuales.png", width = 10, height = 8, dpi = 300)
```

4.4 Transformación de datos con tidyr

Ahora, vamos a transformar nuestros datos de formato largo a ancho:

```{r}
# Transformar datos con tidyr
data_wide <- data_processed %>%
  select(group, category, mean_value) %>%
  pivot_wider(names_from = category, values_from = mean_value)

# Mostrar los datos en formato ancho
print(data_wide)
```

# A tibble: 3 × 4
  group   Alto     Bajo  Medio
  <chr>  <dbl>    <dbl>  <dbl>
1 A     -0.230  0.00118 -0.444
2 B      0.383 -0.0496   0.231
3 C     -0.396  0.0710  -0.241

4.5 Análisis adicional

Vamos a realizar un análisis adicional utilizando dplyr y luego visualizarlo:

```{r}
# Calcular estadísticas mensuales
monthly_stats <- data %>%
  mutate(month = floor_date(date, "month")) %>%
  group_by(month, group) %>%
  summarise(
    mean_value = mean(value),
    median_value = median(value),
    n = n()
  ) %>%
  ungroup()

# Mostrar las estadísticas mensuales
print(monthly_stats)

# Visualizar las estadísticas mensuales
ggplot(monthly_stats, aes(x = month, y = mean_value, color = group)) +
  geom_line() +
  geom_point() +
  labs(title = "Tendencia mensual por grupo",
       x = "Mes", y = "Valor medio") +
  theme_minimal() +
  theme(legend.position = "bottom")
```

# A tibble: 33 × 5
   month      group mean_value median_value     n
   <date>     <chr>      <dbl>        <dbl> <int>
 1 2023-01-01 A        -0.337       -0.326      3
 2 2023-01-01 B         0.665        0.665      2
 3 2023-01-01 C         0.0779       0.190      6
 4 2023-02-01 A         0.599        0.599      2
 5 2023-02-01 B         0.230        0.230      2
 6 2023-02-01 C        -0.129       -0.372      3
 7 2023-03-01 A        -0.186       -0.186      2
 8 2023-03-01 B         1.15         1.15       1
 9 2023-03-01 C        -1.27        -1.27       2
10 2023-04-01 A         0.0619      -0.0249     8
# ℹ 23 more rows

4.6 Manejo de strings con stringr

Finalmente, vamos a demostrar algunas operaciones con strings:

```{r}
# Crear un vector de strings
strings <- c("manzana", "banana", "cereza")

# Aplicar funciones de stringr
upper_strings <- str_to_upper(strings)
contains_ana <- str_detect(strings, "ana")
replaced_strings <- str_replace(strings, "a", "X")

# Mostrar los resultados
tibble(
  original = strings,
  mayúsculas = upper_strings,
  contiene_ana = contains_ana,
  reemplazado = replaced_strings
)
```

# A tibble: 3 × 4
  original mayúsculas contiene_ana reemplazado
  <chr>    <chr>      <lgl>        <chr>      
1 manzana  MANZANA    TRUE         mXnzana    
2 banana   BANANA     TRUE         bXnana     
3 cereza   CEREZA     FALSE        cerezX

Este ejemplo muestra cómo utilizar varios paquetes de Tidyverse juntos para realizar un análisis de datos completo, desde la creación y manipulación de datos hasta la visualización y transformación.

5 Tuberías y operadores en Tidyverse

5.1 El operador de tubería %>%

El operador de tubería %>% fue introducido por el paquete magrittr y es adoptado por Tidyverse (y otros paquetes populares como igraph). Es una herramienta fundamental que usaremos frecuentemente en este curso.

La idea detrás de las tuberías es, en esencia, muy simple:

f(g(x)) se convierte en x %>% g %>% f
Por ejemplo: mean(table(x)) se convierte en x %>% table() %>% mean()

El operador %>% canaliza la salida de la función anterior a la entrada de la siguiente función. Esto convierte el código de “adentro hacia afuera” en código de “izquierda a derecha”, lo cual lo hace más legible para la mayoría de los occidentales.

5.1.1 Ejemplo básico

```{r}
# Cargar tidyverse
library(tidyverse)

# Crear un vector de ejemplo
x <- c(1, 2, 2, 3, 3, 3, 4, 4, 4, 4)

# Sin tubería
mean(table(x))

# Con tubería
x %>% table() %>% mean()
```

[1] 2.5
[1] 2.5

5.1.2 Ejemplo más complejo

Las tuberías son especialmente útiles cuando se encadenan múltiples operaciones:

```{r}
# Crear un dataframe de ejemplo
df <- tibble(
  grupo = rep(c("A", "B"), each = 5),
  valor = c(1, 3, 5, 7, 9, 2, 4, 6, 8, 10)
)

# Sin tubería
resultado <- summarise(group_by(filter(df, valor > 3), grupo), media = mean(valor))

# Con tubería
resultado <- df %>%
  filter(valor > 3) %>%
  group_by(grupo) %>%
  summarise(media = mean(valor))

print(resultado)
```

# A tibble: 2 × 2
  grupo media
  <chr> <dbl>
1 A         7
2 B         7

5.2 El operador de asignación %<>%

El operador %<>% combina %>% (canalización) y <- (asignación). Canaliza el objeto de la izquierda a las operaciones de la derecha y luego asigna el resultado final al objeto original.

```{r}
# Cargar las bibliotecas necesarias
library(magrittr)

# Crear el vector inicial
x <- c(1, 2, 3, 4, 5)

# Sin %<>%
x <- x %>% 
  multiply_by(2) %>% 
  add(1)

print("Resultado sin %<>%:")
print(x)

# Reiniciar x
x <- c(1, 2, 3, 4, 5)

# Con %<>%
x %<>% 
  multiply_by(2) %>% 
  add(1)

print("Resultado con %<>%:")
print(x)
```

[1] "Resultado sin %<>%:"
[1]  3  5  7  9 11
[1] "Resultado con %<>%:"
[1]  3  5  7  9 11

5.3 Funciones clave de dplyr para manipulación de datos

Tidyverse incluye el paquete dplyr para la manipulación de marcos de datos. Estas son algunas de las funciones más utilizadas:

5.3.1 filter()

filter() se utiliza para crear subconjuntos de filas basados en condiciones lógicas.

```{r}
df <- tibble(
  nombre = c("Ana", "Bob", "Carlos", "Diana"),
  edad = c(25, 30, 35, 28),
  ciudad = c("Madrid", "Barcelona", "Madrid", "Valencia")
)

df %>%
  filter(edad > 27, ciudad == "Madrid")
```

# A tibble: 1 × 3
  nombre  edad ciudad
  <chr>  <dbl> <chr> 
1 Carlos    35 Madrid

5.3.2 select()

select() se usa para elegir columnas específicas del dataframe.

```{r}
df %>%
  select(nombre, edad)
```

# A tibble: 4 × 2
  nombre  edad
  <chr>  <dbl>
1 Ana       25
2 Bob       30
3 Carlos    35
4 Diana     28

5.3.3 mutate()

mutate() se utiliza para crear nuevas columnas o modificar las existentes.

```{r}
df %>%
  mutate(edad_en_10_anos = edad + 10)
```

# A tibble: 4 × 4
  nombre  edad ciudad    edad_en_10_anos
  <chr>  <dbl> <chr>               <dbl>
1 Ana       25 Madrid                 35
2 Bob       30 Barcelona              40
3 Carlos    35 Madrid                 45
4 Diana     28 Valencia               38

5.3.4 summarise()

summarise() se usa para calcular estadísticas resumidas.

```{r}
df %>%
  group_by(ciudad) %>%
  summarise(edad_promedio = mean(edad))
```

# A tibble: 3 × 2
  ciudad    edad_promedio
  <chr>             <dbl>
1 Barcelona            30
2 Madrid               30
3 Valencia             28

5.3.5 pull()

pull() se usa para extraer una columna como un vector.

```{r}
edades <- df %>% pull(edad)
print(edades)
```

[1] 25 30 35 28

Estas funciones de dplyr son extremadamente versátiles y pueden combinarse de múltiples maneras para realizar operaciones complejas de manipulación de datos de manera eficiente y legible. ## Ejercicio I: Probabilidades

5.4 Librerías

```{r, message=F}
#devtools::install_github("kosukeimai/qss-package", build_vignettes = TRUE)
library(qss)
library(tidyverse)
library(httr)
library(car)
library(devtools)
library(scales)
```

En el siguiente ejercicio buscamos dar con la distribución de probabilidad de que al menos dos personas tengan el mismo cumpleaños.

```{r}
## Creamos la función de cumpleaños
birthday <- function(k) {
logdenom <- k * log(365) + lfactorial(365 - k)
lognumer <- lfactorial(365)
pr <- 1 - exp(lognumer - logdenom)
pr
}

## Creamos data frame (tibble) con k casos y la probabilidad por k. 
bday <- tibble(k = 1:50, pr = birthday(k))

## plot 
ggplot(bday, aes(x = k, y = pr)) +
  geom_line() +
  geom_point() +
  scale_y_continuous(str_c("Probabilidad de que al menos dos",
                           "personas tengan el mismo cumpleaños", sep = "\n"),
                     limits = c(0, 1), breaks = seq(0, 1, by = 0.1)) +
  labs(x = "Número de personas")
```

En el siguiente ejericicio queremos saber la fracción de ensayos (trials) donde al menos dos cumpleaños son iguales

```{r}
## setting seed para replicación 
set.seed(4444)

k <- 23 # Número de personas 
sims <- 1000 # number of simulations
event <- 0 # contador

for (i in 1:sims) {
days <- sample(1:365, k, replace = TRUE)
days.unique <- unique(days) # cumpleaños únicos
## Si hay duplicados, el número de cumpleaños únicos
## puede ser menos que el número de cumpleaños, que es "k"
if (length(days.unique) < k) {
event <- event + 1
}
}
## fracción de ensayos donde al menos dos cumpleaños son iguales
answer <- event / sims
answer
```

[1] 0.511

5.5 Probabilidad condicional

```{r}
data(FLVoters, package = "qss")
## how many observations?
dim(FLVoters)
glimpse(FLVoters)
```

[1] 10000     6
Rows: 10,000
Columns: 6
$ surname <chr> "PIEDRA", "LYNCH", "CHESTER", "LATHROP", "HUMMEL", "CHRISTISON…
$ county  <int> 115, 115, 115, 115, 115, 115, 115, 115, 1, 1, 115, 115, 115, 1…
$ VTD     <int> 66, 13, 103, 80, 8, 55, 84, 48, 41, 39, 26, 45, 11, 48, 22, 88…
$ age     <int> 58, 51, 63, 54, 77, 49, 77, 34, 56, 60, 44, 45, 80, 83, 88, 55…
$ gender  <chr> "f", "m", "m", "m", "f", "m", "f", "f", "f", "m", "m", "f", "m…
$ race    <chr> "white", "white", NA, "white", "white", "white", "white", "whi…

```{r}
## Remover observaciones con valores NA
FLVoters <- FLVoters %>% drop_na() 
dim(FLVoters)
```

[1] 9113    6

5.5.1 Raza

```{r}
margin_race <- FLVoters %>%
  count(race) %>%
  mutate(prop = n / sum(n))

tibble(margin_race)
```

# A tibble: 6 × 3
  race         n    prop
  <chr>    <int>   <dbl>
1 asian      175 0.0192 
2 black     1194 0.131  
3 hispanic  1192 0.131  
4 native      29 0.00318
5 other      310 0.0340 
6 white     6213 0.682

```{r}
# Definimos la paleta de colores
new_palette <- c("#a10684", "#572364", "#630b57", "#4c2882", "#6c4675", "#8A2BE2")

# Función para formatear porcentajes con 2 decimales (para etiquetas de barras)
percent_format_2 <- function(x) percent(x, accuracy = 0.01)

# Función para formatear porcentajes sin decimales (para eje Y)
percent_format_0 <- function(x) percent(x, accuracy = 1)

# Plot para margin_race
ggplot(margin_race, aes(x = race, y = prop, fill = race)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = percent_format_2(prop)), vjust = -0.5, color = "black") +
  scale_y_continuous(labels = percent_format_0, limits = c(0, max(margin_race$prop) * 1.1)) +
  scale_fill_manual(values = new_palette) +
  labs(title = "Distribución de Raza", y = "Proporción", x = "Raza") +
  theme_minimal() +
  theme(legend.position = "none")
```

5.5.2 Genero

```{r}
margin_gender <-FLVoters %>%
  count(gender) %>%
  mutate(prop = n / sum(n))

tibble(margin_gender)
```

# A tibble: 2 × 3
  gender     n  prop
  <chr>  <int> <dbl>
1 f       4883 0.536
2 m       4230 0.464

```{r}
# Plot para margin_gender
ggplot(margin_gender, aes(x = gender, y = prop, fill = gender)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = percent_format_2(prop)), vjust = -0.5, color = "black") +
  scale_y_continuous(labels = percent_format_0, limits = c(0, max(margin_gender$prop) * 1.1)) +
  scale_fill_manual(values = new_palette[c(1,6)]) +
  labs(title = "Distribución de Género", y = "Proporción", x = "Género") +
  theme_minimal() +
  theme(legend.position = "none")
```

5.5.3 Raza entre mujeres

```{r}
margin_race_f <-FLVoters %>%
  filter(gender == "f") %>%
  count(race) %>%
  mutate(prop = n / sum(n))

margin_race_f
```

      race    n        prop
1    asian   83 0.016997747
2    black  678 0.138849068
3 hispanic  666 0.136391563
4   native   17 0.003481466
5    other  158 0.032357157
6    white 3281 0.671922998

```{r}
# Plot para margin_race_f
ggplot(margin_race_f, aes(x = race, y = prop, fill = race)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = percent_format_2(prop)), vjust = -0.5, color = "black") +
  scale_y_continuous(labels = percent_format_0, limits = c(0, max(margin_race_f$prop) * 1.1)) +
  scale_fill_manual(values = new_palette) +
  labs(title = "Distribución de Raza entre Mujeres", y = "Proporción", x = "Raza") +
  theme_minimal() +
  theme(legend.position = "none")
```

5.5.4 Raza entre hombres

```{r}
margin_race_m <- FLVoters %>%
  filter(gender == "m") %>%
  count(race) %>%
  mutate(prop = n / sum(n))

margin_race_m
```

      race    n        prop
1    asian   92 0.021749409
2    black  516 0.121985816
3 hispanic  526 0.124349882
4   native   12 0.002836879
5    other  152 0.035933806
6    white 2932 0.693144208

```{r}
# Plot para margin_race_m
ggplot(margin_race_m, aes(x = race, y = prop, fill = race)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = percent_format_2(prop)), vjust = -0.5, color = "black") +
  scale_y_continuous(labels = percent_format_0, limits = c(0, max(margin_race_m$prop) * 1.1)) +
  scale_fill_manual(values = new_palette) +
  labs(title = "Distribución de Raza entre Hombres", y = "Proporción", x = "Raza") +
  theme_minimal() +
  theme(legend.position = "none")
```

5.5.5 probabilidad conjunta (joint probabilities)

```{r}
joint_p <-FLVoters %>%
  count(gender, race) %>%
  mutate(prop = n / sum(n))

joint_p
```

   gender     race    n        prop
1       f    asian   83 0.009107868
2       f    black  678 0.074399210
3       f hispanic  666 0.073082410
4       f   native   17 0.001865467
5       f    other  158 0.017337869
6       f    white 3281 0.360035115
7       m    asian   92 0.010095468
8       m    black  516 0.056622408
9       m hispanic  526 0.057719741
10      m   native   12 0.001316800
11      m    other  152 0.016679469
12      m    white 2932 0.321738176

```{r}
# Reordenar los niveles de 'race' basado en la proporción total
joint_p <- joint_p %>%
  group_by(race) %>%
  mutate(total = sum(prop)) %>%
  ungroup() %>%
  mutate(race = fct_reorder(race, total, .desc = TRUE))

# Definir colores para géneros
gender_colors <- c("#a10684", "#4c2882")

# Crear el gráfico de barras agrupadas
ggplot(joint_p, aes(x = race, y = prop, fill = gender)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.9), width = 0.8) +
  geom_text(aes(label = scales::percent(prop, accuracy = 0.1)),
            position = position_dodge(width = 0.9),
            vjust = -0.5, # Ajusta la posición vertical del texto
            color = "black", size = 3) +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1),
                     expand = expansion(mult = c(0, 0.1))) + # Aumenta el espacio superior para las etiquetas
  scale_fill_manual(values = gender_colors, 
                    labels = c("Femenino", "Masculino")) +
  labs(#title = "Distribución de Género por Raza",
       x = "", 
       y = "Proporción",
       fill = "Género") +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(hjust = 0.5, size = 16),
    axis.text.x = element_text(hjust = 1, face = "bold"),
    axis.text.y = element_text(),
    legend.position = "top",
    legend.title = element_text(),
    panel.grid.major.x = element_blank(),
    panel.grid.minor = element_blank()
  )
```

```{r}
# Definir colores para géneros (usando los mismos que en el segundo gráfico)
gender_colors <- c("#a10684", "#4c2882")

# Crear el gráfico actualizado
FLVoters %>%
  count(gender, race) %>%
  group_by(gender) %>%
  mutate(prop = n / sum(n)) %>%
  ungroup() %>%
  mutate(race = fct_reorder(race, prop, sum, .desc = TRUE)) %>% # Reordenar razas por proporción total
  ggplot(aes(x = race, y = prop, fill = gender)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.9), width = 0.8) +
  geom_text(aes(label = scales::percent(prop, accuracy = 0.1)),
            position = position_dodge(width = 0.9),
            vjust = -0.5,
            color = "black", size = 3) +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1),
                     expand = expansion(mult = c(0, 0.1))) +
  scale_fill_manual(values = gender_colors, 
                    labels = c("Femenino", "Masculino")) +
  labs(title = "Distribución de raza por género",
       x = "", 
       y = "Proporción",
       fill = "Género") +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(hjust = 0.5, size = 16, face = "bold"),
    axis.text.x = element_text(angle = 0, hjust = 0.5, face = "bold"),
    axis.text.y = element_text(face = "bold"),
    legend.position = "top",
    legend.title = element_text(face = "bold"),
    panel.grid.major.x = element_blank(),
    panel.grid.minor = element_blank()
  )
```

Cálculo de las proporciones:

En el primer plot (FLVoters), las proporciones se calculan dentro de cada grupo de género. Es decir, para cada género, la suma de las proporciones de todas las razas es 1 (o 100%).
En el segundo plot (joint_p), las proporciones parecen ser calculadas sobre el total de la población, no dentro de cada género. Esto significa que la suma de todas las proporciones (ambos géneros y todas las razas) sería 1 (o 100%).

5.5.6 Género como columna con la proporción como valores.

```{r}
joint_p_wider <- joint_p %>%
  select(-n) %>%
  pivot_wider(names_from = gender,values_from = prop) %>%
mutate(total_prop = f + m)

joint_p_wider
```

# A tibble: 6 × 5
  race       total       f       m total_prop
  <fct>      <dbl>   <dbl>   <dbl>      <dbl>
1 asian    0.0192  0.00911 0.0101     0.0192 
2 black    0.131   0.0744  0.0566     0.131  
3 hispanic 0.131   0.0731  0.0577     0.131  
4 native   0.00318 0.00187 0.00132    0.00318
5 other    0.0340  0.0173  0.0167     0.0340 
6 white    0.682   0.360   0.322      0.682

```{r}
# Plot para joint_p_wider (con género como columnas)
joint_p_wider_gender <- joint_p %>%
  select(-n) %>%
  pivot_wider(names_from = gender, values_from = prop)

ggplot(joint_p_wider_gender, aes(x = race)) +
  geom_bar(aes(y = f, fill = "Femenino"), stat = "identity", position = "dodge") +
  geom_bar(aes(y = -m, fill = "Masculino"), stat = "identity", position = "dodge") +
  geom_hline(yintercept = 0, color = "black", size = 0.5) +
  scale_y_continuous(labels = function(x) percent_format_2(abs(x))) +
  scale_fill_manual(values = new_palette[c(1,6)]) +
  coord_flip() +
  labs(title = "Distribución de Género por Raza", 
       y = "Proporción", x = "Raza", 
       fill = "Género") +
  theme_minimal()
```

5.5.7 Raza como columnas, con la proporción como valor

```{r}
joint_p_wider <- joint_p %>%
  select(-n) %>%
  pivot_wider(names_from = race, values_from = prop) %>%
mutate(total_prop = rowSums(across(where(is.numeric))))

joint_p_wider
```

# A tibble: 12 × 9
   gender   total    asian   black hispanic   native   other  white total_prop
   <chr>    <dbl>    <dbl>   <dbl>    <dbl>    <dbl>   <dbl>  <dbl>      <dbl>
 1 f      0.0192   0.00911 NA       NA      NA       NA      NA             NA
 2 f      0.131   NA        0.0744  NA      NA       NA      NA             NA
 3 f      0.131   NA       NA        0.0731 NA       NA      NA             NA
 4 f      0.00318 NA       NA       NA       0.00187 NA      NA             NA
 5 f      0.0340  NA       NA       NA      NA        0.0173 NA             NA
 6 f      0.682   NA       NA       NA      NA       NA       0.360         NA
 7 m      0.0192   0.0101  NA       NA      NA       NA      NA             NA
 8 m      0.131   NA        0.0566  NA      NA       NA      NA             NA
 9 m      0.131   NA       NA        0.0577 NA       NA      NA             NA
10 m      0.00318 NA       NA       NA       0.00132 NA      NA             NA
11 m      0.0340  NA       NA       NA      NA        0.0167 NA             NA
12 m      0.682   NA       NA       NA      NA       NA       0.322         NA

```{r}
theme(legend.title = element_blank())
```

List of 1
 $ legend.title: list()
  ..- attr(*, "class")= chr [1:2] "element_blank" "element"
 - attr(*, "class")= chr [1:2] "theme" "gg"
 - attr(*, "complete")= logi FALSE
 - attr(*, "validate")= logi TRUE

6 Ejercicio II (ELSOC)

Usamos ELSOC (COES), su ola 4 del año 2019). Más información sobre esta encuesta acá. Estos datos tienen una bateria de redes egocentradas, la cual usaremos para realizar operaciones de orden de mediana complejidad. En esta batería de preguntas, se le pide al entrevistado que indique hasta 5 de sus contactos que considere más cercanos y luego se le preguntan varias características de las personas mencionadas por el entrevistado. En la medida que los datos acerca de las personas conocidas por el entrevistado son dependientes de la mención del entrevistado, existe una extructura multinivel.

Estructuras multinivel

Las estructuras de datos multinivel son aquellas que contienen niveles de anidación adicional al individuo. Por ejemplo, los individuos pueden estar anidados en escuelas o bbien, como la figura de abajo lo ilustra, los individuos mencionados por los entrevistados (alter) están anidados en los entrevistados (egos), esto genera dependencia y en los análisis inferenciales debe modelarse.

El objetivo es crear datos de red “egocentrada” con estructura long. Esto implica que tendremos que modificar la estructura original de los datos:

En su formato original cada fila representa a un entrevistado, y la información acerca de sus contactos esta agregada hacia el lado, es decir, en formato wide.
Una base en formato long, implica que pasaremos del formato “una fila” un individuo (con información hacia el lado o wide), a un formato diádico (en términos de redes).
Esto es, en un formato long, los individuos tendrán tantas filas como contactos mencionó en la entrevista, es decir la información de su red cercana estará agregada hacia abajo.

Una vez hecho esto, construiremos un plot que mostrara información sobre como se distribuyen proporcionalmente las diádas homofílicas en términos educacionales. Para más información acerca de la homofilia por favor revisen el siguiente artículo.

6.1 datos

Deben cargar un par de librerías antes de cargar los datos. Están marcadas con el # en el siguiente chunck.

```{r}
# install.packages("devtools") 
#library(devtools)
##install.packages("httr")
url <- "https://github.com/rcantillan/ricantillan.rbind.io/raw/main/dat/ELSOC/ELSOC_W04_v2.01_R.RData"
response <- GET(url)
local_path <- "ELSOC_W04_v2.01_R.RData"
writeBin(response$content, local_path)
load("ELSOC_W04_v2.01_R.RData") #reemplazar por ruta local de descarga
```

6.2 Generador de nombres

6.3 Estructura `Wide`

Glimpse

Con la función glimpse podemos visualizar los datos de manera más acotada y en orden invertido. Es decir, las columnas indexadas con $ aparecen como filas.

```{r}
egonet<-elsoc_2019 %>%
  #glimpse() %>%
  select(7:24)

glimpse(egonet)
```

Rows: 3,417
Columns: 18
$ r13_sexo_01     <dbl> 2, 2, 2, 1, 1, 2, 2, 1, 2, 1, 2, 2, 1, 1, 1, 1, 1, 1, …
$ r13_edad_01     <dbl> 59, 42, 30, 44, 40, 33, 28, 56, 58, 27, 43, 54, 54, 28…
$ r13_relacion_01 <dbl> 5, 2, 4, 3, 5, 3, 5, 5, 3, 1, 2, 3, 3, 5, 4, 1, 4, 1, …
$ r13_tiempo_01   <dbl> 5, 5, 3, 5, 2, 5, 4, 5, 5, 1, 5, 5, 5, 2, 5, 5, 1, 5, …
$ r13_barrio_01   <dbl> 1, 2, 1, 2, 2, 1, 2, 2, 1, 2, 1, 2, 1, 2, 2, 1, 2, 1, …
$ r13_educ_01     <dbl> -888, 5, 3, 5, 3, 4, 5, -888, 5, 5, 3, 5, 2, 5, 5, 3, …
$ r13_relig_01    <dbl> 2, 1, 1, 1, 1, 1, 1, 1, 2, 5, 1, 1, 1, 5, 1, 1, 1, 1, …
$ r13_ideol_01    <dbl> 6, 6, 6, 4, -999, 6, 5, 6, 6, 6, 5, 6, 6, 6, 5, 1, 6, …
$ r13_confia_01   <dbl> 3, 3, 1, 3, 1, 3, 3, 3, 3, 3, 3, 3, 3, 2, 3, 3, 1, 3, …
$ r13_sexo_02     <dbl> 2, NA, NA, 1, 1, NA, 2, 2, 1, 2, 1, 2, NA, 2, 2, 2, 1,…
$ r13_edad_02     <dbl> 60, NA, NA, 70, 40, NA, 27, 34, 28, 21, 22, 45, NA, 49…
$ r13_relacion_02 <dbl> 5, NA, NA, 4, 2, NA, 5, 1, 4, 4, 3, 4, NA, 5, 4, 3, 4,…
$ r13_tiempo_02   <dbl> 5, NA, NA, 5, 5, NA, 4, 5, 4, 3, 5, 3, NA, 3, 5, 5, 1,…
$ r13_barrio_02   <dbl> 1, NA, NA, 2, 2, NA, 2, 1, 2, 2, 1, 1, NA, 2, 2, 2, 2,…
$ r13_educ_02     <dbl> -888, NA, NA, 3, 3, NA, 5, 3, 5, 5, 5, 3, NA, 3, 5, 3,…
$ r13_relig_02    <dbl> 2, NA, NA, 1, 1, NA, 3, 4, 3, 5, 5, 1, NA, 1, 2, 1, -8…
$ r13_ideol_02    <dbl> 6, NA, NA, 4, -999, NA, 5, 6, 6, 6, 5, 6, NA, 6, 3, 1,…
$ r13_confia_02   <dbl> 3, NA, NA, 3, 3, NA, 3, 3, 3, 3, 3, 3, NA, 2, 3, 3, 1,…

Kable

De otro modo, la función knitr, del paquete kable, nos permite incrustar tablas de datos en formato tibble dentro del documento html.

r13_sexo_01	r13_edad_01	r13_relacion_01	r13_tiempo_01	r13_barrio_01	r13_educ_01	r13_relig_01	r13_ideol_01	r13_confia_01	r13_sexo_02	r13_edad_02	r13_relacion_02	r13_tiempo_02	r13_barrio_02	r13_educ_02	r13_relig_02	r13_ideol_02	r13_confia_02
2	59	5	5	1	-888	2	6	3	2	60	5	5	1	-888	2	6	3
2	42	2	5	2	5	1	6	3	NA	NA	NA	NA	NA	NA	NA	NA	NA
2	30	4	3	1	3	1	6	1	NA	NA	NA	NA	NA	NA	NA	NA	NA
1	44	3	5	2	5	1	4	3	1	70	4	5	2	3	1	4	3
1	40	5	2	2	3	1	-999	1	1	40	2	5	2	3	1	-999	3
2	33	3	5	1	4	1	6	3	NA	NA	NA	NA	NA	NA	NA	NA	NA
2	28	5	4	2	5	1	5	3	2	27	5	4	2	5	3	5	3
1	56	5	5	2	-888	1	6	3	2	34	1	5	1	3	4	6	3
2	58	3	5	1	5	2	6	3	1	28	4	4	2	5	3	6	3
1	27	1	1	2	5	5	6	3	2	21	4	3	2	5	5	6	3
2	43	2	5	1	3	1	5	3	1	22	3	5	1	5	5	5	3
2	54	3	5	2	5	1	6	3	2	45	4	3	1	3	1	6	3
1	54	3	5	1	2	1	6	3	NA	NA	NA	NA	NA	NA	NA	NA	NA

6.4 Rename

Renombramos el identificador de la encuesta. Ahora se llamará .egoID. y renombramos la base de datos. Ahora se llamará a.

```{r}
a<-elsoc_2019 %>% dplyr::rename(.egoID = idencuesta)
```

6.5 Creamos un subdata frame para los `alter` mencionados

En los datos de la red egocentrada tenemos información sobre 1) el sexo, 2) edad, 3) educación, 4) religión, 5) ideología política, 6) si viven en el mismo barrio, y 7) tipo de relación entre el Ego y el Alter mencionado. En el siguiente chunck:

Creamos un vector string con los caracteres que intentaremos capturar de los nombres de las columnas con la información de los confidentes (Aler): ej. sexo, edad, etc. El vector se llamará “columnas”.
Creamos un vector con un solo valor “5”, el cual representa el valor máximo de conocidos que los entrevistados pueden mencionar.
Luego creamos una lista vacia en donde alacenaremos la selección.
Creamos un loop para seleccionar y renombrar las variables.
agregamos las listas creadas con la función bind_rows.
ordenamos de acuerdo con el id del entrevistado (.egoID) con la función arrange.

```{r}
columnas <- c("sexo", "edad", "educ", "relig", "ideol", "barrio", "relacion")
num_alters <- 5

alter_list <- list()

for (i in 1:num_alters) {
  alter_cols <- paste0("r13_", columnas, "_", sprintf("%02d", i))
  alter <- a %>%
    dplyr::select(.egoID, all_of(alter_cols)) %>%
    rename_with(~ columnas, alter_cols) %>%
    mutate(n = i)
  
  alter_list[[i]] <- alter
}

alteris <- bind_rows(alter_list)
alteris<-arrange(alteris, .egoID)
```

Formato long

Las estructuras de datos long son multinivel por que tienen al menos dos niveles: ej. Cuando hay variaas observaciones en el tiempo, tenemos a los mismos individuos observados dos o más veces. En efecto, las observaciones están anidadas en los individuos. En el ejemplo acá revisado, transformamos el formato original de datos ELSOC (estructura wide) a formato long, lo cual quiere decir que las observaciones anidadas en el Entrevistado (ego), estarán enlistadas hacia abajo y no hacia el lado (wide) como columnas adicionales. Abajo un ejemplo:

.egoID	sexo	edad	educ	relig	ideol	barrio	relacion	n
1101011	2	59	-888	2	6	1	5	1
1101011	2	60	-888	2	6	1	5	2
1101011	1	62	-888	2	6	1	5	3
1101011	NA	NA	NA	NA	NA	NA	NA	4
1101011	NA	NA	NA	NA	NA	NA	NA	5
1101012	2	42	5	1	6	2	2	1
1101012	NA	NA	NA	NA	NA	NA	NA	2
1101012	NA	NA	NA	NA	NA	NA	NA	3
1101012	NA	NA	NA	NA	NA	NA	NA	4
1101012	NA	NA	NA	NA	NA	NA	NA	5
1101013	2	30	3	1	6	1	4	1
1101013	NA	NA	NA	NA	NA	NA	NA	2
1101013	NA	NA	NA	NA	NA	NA	NA	3
1101013	NA	NA	NA	NA	NA	NA	NA	4
1101013	NA	NA	NA	NA	NA	NA	NA	5
1101021	1	44	5	1	4	2	3	1
1101021	1	70	3	1	4	2	4	2
1101021	NA	NA	NA	NA	NA	NA	NA	3
1101021	NA	NA	NA	NA	NA	NA	NA	4
1101021	NA	NA	NA	NA	NA	NA	NA	5
1101023	1	40	3	1	-999	2	5	1
1101023	1	40	3	1	-999	2	2	2
1101023	2	65	5	1	-999	2	5	3
1101023	NA	NA	NA	NA	NA	NA	NA	4
1101023	NA	NA	NA	NA	NA	NA	NA	5
1101032	2	33	4	1	6	1	3	1
1101032	NA	NA	NA	NA	NA	NA	NA	2
1101032	NA	NA	NA	NA	NA	NA	NA	3
1101032	NA	NA	NA	NA	NA	NA	NA	4
1101032	NA	NA	NA	NA	NA	NA	NA	5
1101033	2	28	5	1	5	2	5	1
1101033	2	27	5	3	5	2	5	2
1101033	2	38	5	3	1	2	5	3
1101033	NA	NA	NA	NA	NA	NA	NA	4
1101033	NA	NA	NA	NA	NA	NA	NA	5
1101041	1	56	-888	1	6	2	5	1
1101041	2	34	3	4	6	1	1	2
1101041	1	28	3	1	6	2	5	3
1101041	NA	NA	NA	NA	NA	NA	NA	4
1101041	NA	NA	NA	NA	NA	NA	NA	5
1101051	2	58	5	2	6	1	3	1
1101051	1	28	5	3	6	2	4	2
1101051	1	24	3	3	6	1	4	3
1101051	NA	NA	NA	NA	NA	NA	NA	4
1101051	NA	NA	NA	NA	NA	NA	NA	5
1101053	1	27	5	5	6	2	1	1
1101053	2	21	5	5	6	2	4	2
1101053	NA	NA	NA	NA	NA	NA	NA	3
1101053	NA	NA	NA	NA	NA	NA	NA	4
1101053	NA	NA	NA	NA	NA	NA	NA	5

Como vemos, la bbdd anterior contiene la información de cada uno de los contactos mencionados por los entrevistados, por eso se reptien los identificadores .egoID hasta 5 veces. Dado el límite de menciones incluido por diseño. Puede ser pertinente borrar las filas que contienen NA en todas las filas de características.

Otra aproximación -pero menos eficiente- es la siguiente:

Crear 5 data frames, uno por confidente mencionado por el entrevistado. Cada uno de los sub data frames se llamará alter_1, alter_2, alter_3, alter_5.
Luego se agregan hacia abajo con la función rownbind

```{r}
alter_1<-a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_01, 
                      alter_edad=r13_edad_01, 
                      alter_rel=r13_relacion_01,
                      alter_tiempo=r13_tiempo_01,
                      alter_barrio=r13_barrio_01, 
                      alter_educ=r13_educ_01, 
                      alter_relig=r13_relig_01, 
                      alter_ideol=r13_ideol_01)

alter_2<-a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_02, 
                      alter_edad=r13_edad_02, 
                      alter_rel=r13_relacion_02,
                      alter_tiempo=r13_tiempo_02,
                      alter_barrio=r13_barrio_02, 
                      alter_educ=r13_educ_02, 
                      alter_relig=r13_relig_02, 
                      alter_ideol=r13_ideol_02)

alter_3<-a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_03, 
                      alter_edad=r13_edad_03, 
                      alter_rel=r13_relacion_03,
                      alter_tiempo=r13_tiempo_03,
                      alter_barrio=r13_barrio_03, 
                      alter_educ=r13_educ_03, 
                      alter_relig=r13_relig_03, 
                      alter_ideol=r13_ideol_03)

alter_4<- a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_04, 
                      alter_edad=r13_edad_04, 
                      alter_rel=r13_relacion_04,
                      alter_tiempo=r13_tiempo_04, 
                      alter_barrio=r13_barrio_04, 
                      alter_educ=r13_educ_04, 
                      alter_relig=r13_relig_04, 
                      alter_ideol=r13_ideol_04)

alter_5<-a %>%
        dplyr::select(.egoID, 
                      alter_sexo=r13_sexo_05, 
                      alter_edad=r13_edad_05, 
                      alter_rel=r13_relacion_05,
                      alter_tiempo=r13_tiempo_05, 
                      alter_barrio=r13_barrio_05, 
                      alter_educ=r13_educ_05, 
                      alter_relig=r13_relig_05, 
                      alter_ideol=r13_ideol_05)
```

6.6 Crear vector alter id

En el siguiente chunk creamos un vector identificador para cada uno de los alteris presentes en la data “alteris”. Lo identificamos como objeto tibble. Además creamos un identificador único para cada uno de los confidentes.

```{r}
alteris<-rbind(alter_1,alter_2,alter_3,alter_4,alter_5)
alteris<-arrange(alteris, .egoID)
alteris   <- rowid_to_column(alteris, var = ".altID")
alteris   <- as_tibble(alteris)
#alteris$n <- NULL
```

```{r}
as_tibble(alteris)
```

# A tibble: 17,085 × 10
   .altID  .egoID alter_sexo alter_edad alter_rel alter_tiempo alter_barrio
    <int>   <dbl>      <dbl>      <dbl>     <dbl>        <dbl>        <dbl>
 1      1 1101011          2         59         5            5            1
 2      2 1101011          2         60         5            5            1
 3      3 1101011          1         62         5            5            1
 4      4 1101011         NA         NA        NA           NA           NA
 5      5 1101011         NA         NA        NA           NA           NA
 6      6 1101012          2         42         2            5            2
 7      7 1101012         NA         NA        NA           NA           NA
 8      8 1101012         NA         NA        NA           NA           NA
 9      9 1101012         NA         NA        NA           NA           NA
10     10 1101012         NA         NA        NA           NA           NA
# ℹ 17,075 more rows
# ℹ 3 more variables: alter_educ <dbl>, alter_relig <dbl>, alter_ideol <dbl>

Como vemos el resultado es muy similar.

6.7 Recode

A continuación, Recodificamos los valores de los atributos de los alteris.

```{r}
alteris$alter_educ <-factor(Recode(alteris$alter_educ ,"1=1;2:3=2;4=3;5=4;-999=NA"))
alteris$alter_relig<-factor(Recode(alteris$alter_relig,"1=1;2=2;3=3;4=4;5=5;-999=NA"))
alteris$alter_ideol<-factor(Recode(alteris$alter_ideol,"1=1;2=2;3=3;4=4;5=5;6=6;-999=NA"))
alteris$alter_edad <-factor(Recode(alteris$alter_edad ,"0:18=1;19:29=2;30:40=3;41:51=4;52:62=5;63:100=6"))
alteris$alter_sexo <-factor(Recode(alteris$alter_sexo ,"1=1;2=2"))
#alteris<-na.omit(alteris)     
```

Creamos un subset con la data de ego equivalente a la data de los alteris. Las nombramos de la misma manera.

```{r}
egos <-a %>%
       dplyr::select(.egoID, 
                     ego_sexo=m0_sexo, 
                     ego_edad=m0_edad, 
                     ego_ideol=c15, 
                     ego_educ=m01, 
                     ego_relig=m38, 
                     ego_ideol=c15)

egos <- as_tibble(egos)
```

Recodificamos las variables de la data de ego siguiendo el patrón de la data de alteris.

```{r}
egos$ego_educ <-factor(Recode(egos$ego_educ,"1:3=1;4:5=2;6:7=3;8:10=4;-999:-888=NA"))
egos$ego_relig<-factor(Recode(egos$ego_relig,"1=1;2=2;9=3;7:8=4;3:6=5;-999:-888=NA"))
egos$ego_ideol<-factor(Recode(egos$ego_ideol,"9:10=1;6:8=2;5=3;2:4=4;0:1=5;11:12=6;-999:-888=NA"))
egos$ego_edad <-factor(Recode(egos$ego_edad,"18=1;19:29=2;30:40=3;41:51=4;52:62=5;63:100=6"))
egos$ego_sexo <-factor(Recode(egos$ego_sexo,"1=1;2=2"))
```

6.8 join

Con la función left_join agregamos la data de alteris y egos hacia el lado, en función del id de ego.

```{r}
obs<-left_join(alteris,egos, by=".egoID")
obs[obs=="-999"] <- NA
obs[obs=="-888"] <- NA
```

.altID	.egoID	alter_sexo	alter_edad	alter_rel	alter_tiempo	alter_barrio	alter_educ	alter_relig	alter_ideol	ego_sexo	ego_edad	ego_ideol	ego_educ	ego_relig
1	1101011	2	5	5	5	1	NA	2	6	2	6	5	1	1
2	1101011	2	5	5	5	1	NA	2	6	2	6	5	1	1
3	1101011	1	5	5	5	1	NA	2	6	2	6	5	1	1
4	1101011	NA	NA	NA	NA	NA	NA	NA	NA	2	6	5	1	1
5	1101011	NA	NA	NA	NA	NA	NA	NA	NA	2	6	5	1	1
6	1101012	2	4	2	5	2	4	1	6	2	6	6	2	1
7	1101012	NA	NA	NA	NA	NA	NA	NA	NA	2	6	6	2	1
8	1101012	NA	NA	NA	NA	NA	NA	NA	NA	2	6	6	2	1
9	1101012	NA	NA	NA	NA	NA	NA	NA	NA	2	6	6	2	1
10	1101012	NA	NA	NA	NA	NA	NA	NA	NA	2	6	6	2	1
11	1101013	2	3	4	3	1	2	1	6	2	3	6	2	1
12	1101013	NA	NA	NA	NA	NA	NA	NA	NA	2	3	6	2	1
13	1101013	NA	NA	NA	NA	NA	NA	NA	NA	2	3	6	2	1
14	1101013	NA	NA	NA	NA	NA	NA	NA	NA	2	3	6	2	1
15	1101013	NA	NA	NA	NA	NA	NA	NA	NA	2	3	6	2	1
16	1101021	1	4	3	5	2	4	1	4	1	5	3	4	1
17	1101021	1	6	4	5	2	2	1	4	1	5	3	4	1
18	1101021	NA	NA	NA	NA	NA	NA	NA	NA	1	5	3	4	1
19	1101021	NA	NA	NA	NA	NA	NA	NA	NA	1	5	3	4	1
20	1101021	NA	NA	NA	NA	NA	NA	NA	NA	1	5	3	4	1
21	1101023	1	3	5	2	2	2	1	NA	1	6	3	2	1
22	1101023	1	3	2	5	2	2	1	NA	1	6	3	2	1
23	1101023	2	6	5	1	2	4	1	NA	1	6	3	2	1
24	1101023	NA	NA	NA	NA	NA	NA	NA	NA	1	6	3	2	1
25	1101023	NA	NA	NA	NA	NA	NA	NA	NA	1	6	3	2	1
26	1101032	2	3	3	5	1	3	1	6	2	5	6	2	1
27	1101032	NA	NA	NA	NA	NA	NA	NA	NA	2	5	6	2	1
28	1101032	NA	NA	NA	NA	NA	NA	NA	NA	2	5	6	2	1
29	1101032	NA	NA	NA	NA	NA	NA	NA	NA	2	5	6	2	1
30	1101032	NA	NA	NA	NA	NA	NA	NA	NA	2	5	6	2	1
31	1101033	2	2	5	4	2	4	1	5	2	3	3	4	1
32	1101033	2	2	5	4	2	4	3	5	2	3	3	4	1
33	1101033	2	3	5	3	2	4	3	1	2	3	3	4	1
34	1101033	NA	NA	NA	NA	NA	NA	NA	NA	2	3	3	4	1
35	1101033	NA	NA	NA	NA	NA	NA	NA	NA	2	3	3	4	1
36	1101041	1	5	5	5	2	NA	1	6	1	4	3	4	1
37	1101041	2	3	1	5	1	2	4	6	1	4	3	4	1
38	1101041	1	2	5	4	2	2	1	6	1	4	3	4	1
39	1101041	NA	NA	NA	NA	NA	NA	NA	NA	1	4	3	4	1
40	1101041	NA	NA	NA	NA	NA	NA	NA	NA	1	4	3	4	1
41	1101051	2	5	3	5	1	4	2	6	1	2	6	3	2
42	1101051	1	2	4	4	2	4	3	6	1	2	6	3	2
43	1101051	1	2	4	4	1	2	3	6	1	2	6	3	2
44	1101051	NA	NA	NA	NA	NA	NA	NA	NA	1	2	6	3	2
45	1101051	NA	NA	NA	NA	NA	NA	NA	NA	1	2	6	3	2
46	1101053	1	2	1	1	2	4	5	6	2	2	6	4	5
47	1101053	2	2	4	3	2	4	5	6	2	2	6	4	5
48	1101053	NA	NA	NA	NA	NA	NA	NA	NA	2	2	6	4	5
49	1101053	NA	NA	NA	NA	NA	NA	NA	NA	2	2	6	4	5
50	1101053	NA	NA	NA	NA	NA	NA	NA	NA	2	2	6	4	5

6.9 Tabla para plot (con ggplot en formato long)

El siguiente código crea una tabla long para ser ploteada como un heatmap en ggplot

```{r}
table<-as.data.frame(prop.table(table(obs$ego_educ,obs$alter_educ)))
colnames(table)<-c("Ego_educ", "Alter_educ", "Prop")

#filtramos
table<-table%>%filter(Alter_educ!="-888") 
```

6.10 Heatmap

```{r}
ggplot(table,aes(Ego_educ, Alter_educ))+
  geom_tile(aes(fill=Prop))+
  scale_fill_gradient(low="white", high="#301934") +
  theme_grey()
```

7 Bibliografía

Imai, K. (2017). Quantitative social science: An introduction. Princeton University Press.

1 R, Rstudio y Quarto.

1.1 Material útil

1.2 Crear documento .qmd

1.3 Crear chunck de código

2 Introducción a R base: El corazón del análisis de datos

2.1 ¿Qué es R base?

2.2 Elementos fundamentales de R base

2.2.1 Tipos de datos básicos

2.2.2 Estructuras de datos

2.2.3 Operaciones básicas

2.2.4 Control de flujo

2.2.5 Funciones

2.3 R base vs. Tidyverse: Una analogía

3 Tidyverse (sintaxis)

3.1 Principales paquetes de Tidyverse

4 Ejemplo detallado de uso de Tidyverse

4.1 Preparación de datos

4.2 Procesamiento de datos con dplyr

4.3 Visualización con ggplot2

4.4 Transformación de datos con tidyr

4.5 Análisis adicional

4.6 Manejo de strings con stringr

5 Tuberías y operadores en Tidyverse

5.1 El operador de tubería %>%

5.1.1 Ejemplo básico

5.1.2 Ejemplo más complejo

5.2 El operador de asignación %<>%

5.3 Funciones clave de dplyr para manipulación de datos

5.3.1 filter()

5.3.2 select()

5.3.3 mutate()

5.3.4 summarise()

5.3.5 pull()

5.4 Librerías

5.5 Probabilidad condicional

5.5.1 Raza

5.5.2 Genero

5.5.3 Raza entre mujeres

5.5.4 Raza entre hombres

5.5.5 probabilidad conjunta (joint probabilities)

5.5.6 Género como columna con la proporción como valores.

5.5.7 Raza como columnas, con la proporción como valor

6 Ejercicio II (ELSOC)

6.1 datos

6.2 Generador de nombres

6.3 Estructura Wide

6.4 Rename

6.5 Creamos un subdata frame para los alter mencionados

6.6 Crear vector alter id

6.7 Recode

6.8 join

6.9 Tabla para plot (con ggplot en formato long)

6.10 Heatmap

7 Bibliografía

1.2 Crear documento `.qmd`

1.3 Crear `chunck` de código

3 `Tidyverse` (sintaxis)

3.1 Principales paquetes de `Tidyverse`

6.3 Estructura `Wide`

6.5 Creamos un subdata frame para los `alter` mencionados